تشخيص آلودگي قارچي در مغز پسته بر اساس پردازش تصاوير فراطيفي

Detection of fungal infection of pistachio kernel based on hyperspectral imaging technique

بازرسي ايمني و تشخيص بيماري در محصولات كشاورزي يكي از مراحل مهم و حساس در عمليات پس از برداشت مي باشد. در اين راستا، فناوري تصويربرداري فراطيفي يكي از روشهاي توانمند ميباشد كه اخيرا مورد توجه محققين قرار گرفته است. در اين تحقيق از اين روش براي طبقه بندي مغز پسته سالم و آلوده به قارچ آسپرژيلوس فلاووس، جدايه KK11، استفاده شد. سامانه تصويربرداري شامل يك دوربين، يك لنز 25 ميليمتري، دو فيلتر طول موج متغير، منبع نوري، رايانه، كارت تصويرگير و نرم افزار اكتساب ابرمكعب بود. هشت طبقه مختلف شامل پسته سالم و پسته آلوده در هفت مرحله از رشد قارچ، يعني آلودگي يك روزه تا هفت روزه، مورد تحقيق قرار گرفت. براي هر طبقه حدود 48 نمونه در نظر گرفته شد. هر فرامكعب شامل 75 لايه تصوير، از 960 تا nm با فواصل nm 10، بود. پس از پيشپردازش تصاوير در نرم افزار متلب، از روش تحليل مولفه هاي اصلي براي به دست آوردن طول موج هاي موثر جهت طبقه بندي طبقه هاي مختلف پسته استفاده شد كه سه طول موج يعني، 1090، 1280 و nm 1700 انتخاب گرديدند. پس از استخراج ويژگي هاي مختلف در سه طول موج انتخابي، داده هاي بدست آمده با استفاده از روشهاي شبكه عصبي مصنوعي (ANN) و اعتبارسنجي K- بخشي ( KFCV ) طبقه بندي گرديدند كه دقت آنها در تشخيص پسته سالم و پسته آلوده بدون در نظر گرفتن مرحله آلودگي به ترتيب 96/80 و 98/55 % بود.

Inspection and deseaces detection of agricultural products is one of the important and sensitive stages of post harvest operations. In this regard, hyperspectral imaging is a powerfull method that recently was considered by researchers. In this research, the method was used for classification of healthy and infected pistachio kernel by Aspergillus Flavus, KK11 isolate. The imaging sysem was included a camera, a 25 mm lens, two multi wavelenght filters, a lighting source, a personal computer, a digital frame grabber, and hyper acquisition software. Eight differnet classes included; healthy pistachi and infected pistachio in seven stage of fungal growing, i.e. 1-day infected to 7- day infected, were researched.around 48 samples were considered for each class. Each hypercube include 75 image layers, from 960 to 1700 nm with 10 nm intervals. After preprocessing of the image in MATLAB 2010a software, principle component analysis method was used to obtain the effective wavelenghtes for classifying the different classes of the pistachio. There wavelenghtes, 1090, 1280 and 1700 nm was selected. After extrating the different features from the selected wavelenghtes, the obtained data were classyfied by artificial neoral network and K-fold cross validation methods. The correct classification rates of the classifiers to destingush the healthy and infected pistachio kernels without considering the infecting stages were 96.80 ang 98.55 %, respectively